船用柴油机振动信号气阀磨损预测系统

鲁宏，戴魏魏，鲍海波，权国政

（1.江苏省船舶动力系统零件先进制造工程技术研究中心，江苏 南京 211121；2.南京中远海运船舶设备配件有限公司，江苏 南京 211121；3.重庆大学，重庆 400044）

0 引言

二冲程船用柴油机在运行的过程中，缸盖因为受到内部各部件的振动、冲击、摩擦及燃烧等激励作用，会产生非稳态振动信号。通过对振动信号的分析可实现相应零部件及燃烧状态的故障预测[1-4]。目前，振动信号在柴油机燃烧状态监测受到广泛关注，且信号采集器直接安装于发动机表面，通过振动信号来分析气阀磨损情况是极具潜力的。目前，常用的缸盖振动信号分析方法以及信号特征参数提取主要包括时频分析、时域分析、频域分析等。

本文将基于提取到的时域、频域特征信号分析结果，利用数据分析软件MATLAB 建立低速船用柴油机缸盖振动信号气阀磨损预测系统。系统对得到的振动信号特征值样本进行训练，为气阀磨损情况、服役状态的预测提供基础。

1 船用柴油机缸盖振动信号特征值样本提取

由于排气阀撞击、缸内燃爆等影响，低速船用二冲程柴油机缸盖振动信号具有一定周期性，图1 所示为实测缸盖振动信号一个周期的信号变化，依据运行的特征，分成排气阀开启、排气阀撞击、缸内燃爆的三个特征峰。根据实测的信号图以及缸内压力变化，建立低速机运行流固耦合有限元模型并对其校正。通过模拟得到的缸盖振动信号如图2 所示。构造不同磨损量的模型，并进行模拟，通过对模拟得到的缸盖振动信号进行分析，得到不同磨损量下的特征值。构造阀面磨损量为0～2mm（此为气阀报废的磨损值），对应阀底磨损量为0～12mm（此为气阀报废的磨损值）。

图1 柴油机缸盖振动时域信号

图2 模拟无磨损缸盖振动信号

2 基于BP 神经网络的振动信号气阀磨损预测系统

BP 神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络模型之一。它的突出优点就是具有很强的非线性映射能力和柔性的网络结构。网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且随着结构的差异其性能也有所不同。通过模拟得到的振动信号特征值与对应磨损量作为BP 神经网络的训练样本，以实现通过输入信号特征值对磨损情况进行预测。

选择气阀故障为阀面-阀底同时磨损，特征参数选取峰峰值（时域分析）及频率标准差（频域分析），实际值及预测值是阀面磨损深度+阀底磨损深度，重复多次模拟后得到样本集，表1 为特征提取得到的训练样本。

表1 缸盖振动信号统计特征参数表

表2 为特征提取得到的测试样本。依据测试样本的峰峰值以及频率标准差，通过表1 的训练样本所训练的BP 模型，可以得到预测值5.5mm、8.9mm、13.85mm，与实际的值对比，可以分别得到误差1.8%、2.2%、4.1%。图3 为预测值、实际值和误差的分析图。误差在5%以内，说明利用时域、频域特征值训练的BP 神经网络模型有效。

图3 预测值、实际值和误差的分析图

表2 测试样本集（时域、频域特征值方法）

基于建立好的BP 神经网络模型，利用数据分析软件MATLAB 建立了低速船用柴油机缸盖振动信号气阀磨损预测系统。图4 为信号预测系统初始界面。

图4 信号预测系统初始界面

在初始界面中，输入测得的缸盖振动信号分析的特征值参数即可进行阀面磨损深度+阀底磨损深度值的预测。结果如图5 所示。

图5 信号预测系统初始界面

3 结语

（1）通过实测信号与模拟信号结合，考虑实际服役状态，借助校正的有限元模型得到不同磨损程度下的船用柴油机缸盖振动信号特征值样本。

（2）基于得到的缸盖振动信号特征值样本和BP神经网络模型，利用MATLAB 进行样本训练并建立气阀磨损值BP 预测模型。基于建立好的BP 预测模型建立缸盖振动信号气阀磨损预测系统。